AI:n är bara så bra som datan den matas med

Knappt en vecka går utan att något nytt AI-verktyg lanseras för fastighetsbranschen. Prognosmodeller för energiförbrukning, automatisk avvikelsedetektering, självlärande energioptimering. Löftena är stora, och det finns goda skäl att tro på dem. Det som sällan nämns är vad som måste vara på plats för att något av det ska funka.

Varför AI straffar dålig data hårdare än ni gör

Ojämn energidata är inget nytt problem. En lucka i mars, en avläsning som kom en vecka sent, ett nätbolag som bytte format utan förvarning – det är sådant ni redan lägger tid på att räta ut, mätare för mätare, och i bästa fall kan redogöra för i efterhand. Låter ni istället en AI-modell gissa sig till samma luckor blir gissningen en svart låda: ni ser resultatet, men inte vilka antaganden som gjorts på vägen.

En modell som ska förutsäga förbrukning eller flagga avvikelser bygger sina slutsatser på mönster i historiken. Om mönstret har hål, luckor som ser ut som nedgångar eller mätarbyten som ser ut som verklig förändring, drar modellen fel slutsats och gör det med samma säkerhet som om datan varit korrekt. Och du märker inte felet förrän det redan styrt ett beslut.

Fyra saker som måste stämma innan AI:n får något att jobba med

Täckning utan luckor: Inte ”för det mesta av tiden” utan kontinuerligt, över hela mätperioden ni vill analysera. En modell som tränas på första kvartalet med hål i februari kommer föga förvånande att lära sig fel saker och dra fel slutsatser om februari.

Konsekvent struktur: Samma mätpunktslogik måste gå att följa över tid, även när mätaren byts, nätbolaget byter format eller en fastighet läggs till i beståndet. Byter strukturen karaktär mitt i historiken blir jämförelser mellan perioder meningslösa.

Spårbar historik: Om en modell flaggar en avvikelse behöver ni kunna se var värdet kom från och när det samlades in, för att avgöra om avvikelsen är verklig eller ett insamlingsfel. Utan den spårbarheten blir varje AI-genererad slutsats en gissning ni inte kan kontrollera.

Validerade värden: Felaktiga avläsningar som aldrig fångats upp blir inte mindre felaktiga för att de matas in i en modell. De blir bara svårare att upptäcka, eftersom modellen presenterar dem tillsammans med allt annat, utan varningsflagga.

Ingen av de här fyra punkterna är en AI-fråga. Det är en datainsamlingsfråga som funnits där hela tiden (vi på Metry har jobbat i över ett decennium med precis det här). Skillnaden nu är att konsekvenserna av att strunta i den blir betydligt dyrare när ett automatiserat system ska agera på datan istället för en människa som är van vid att läsa mellan raderna.

Men om grunden inte finns på plats, vem lägger den?

Fyll luckorna innan AI:n ska fylla dem

Att bygga den grunden manuellt, mätare för mätare och nätbolag för nätbolag, är precis det arbete som redan tar för lång tid idag. Det är inte rimligt att det ska ta ännu längre bara för att målet nu är ett AI-verktyg istället för energiuppföljning. Så det är tur att Metrys datainsamling finns! 

Med Metry får du koll på hur mycket data som faktiskt kommer in per mätare – luckor identifieras och åtgärdas utan att du behöver leta efter dem manuellt. Varje värde som samlas in kvalitetssäkras och loggas med källa och tidsstämpel, så att ni alltid kan spåra varifrån ett värde kom och lita på att det stämmer. 

Innan ni investerar i nästa AI-verktyg för era fastigheter kan det vara värt att först titta på hur er nuvarande datainsamling ser ut. Hör av dig om du vill se hur det faktiskt ligger till med er data, mätare för mätare.